Ecolab如何在Databricks和Anthropic Claude上重建零售智能

Ecolab是全球水、衞生和感染預防領域的領導者，負責監控北美數千家零售和快餐店的食品安全、害蟲控制和水質。然而，這些服務的數據分散在九個獨立的系統中，包括審計、健康檢查、害蟲物聯網遙測、檢查表、化學品使用日誌、天氣信息、Yelp評論、CDC社區數據和FDA食品法典。這種碎片化使得獲取單個地點的全面視圖變得極其困難。

為了改變這一現狀，Ecolab構建了零售智能應用程序——一個基於Databricks的原生應用，使用Lakebase Postgres作為事務骨幹。所有九個數據源通過Lakeflow和Spark聲明式管道流入由Unity Catalog管理的治理湖倉，並通過Databricks資產包可重複部署。該應用運行在Databricks安全邊界內，因此Ecolab獲得了內置的身份驗證、自動服務主體和Unity Catalog訪問控制，無需建立單獨的基礎設施。

然而，統一數據只是挑戰的一半。真正的難題是：如何讓九個來源的智能感覺像一個對話專家？通過Databricks基礎模型API，Ecolab使用Anthropic的Claude Sonnet進行復雜推理，Claude Haiku進行快速且經濟高效的總結，以及Gemini進行圖像分析。所有模型調用都保持在Databricks安全邊界內。

在系統核心，多智能體編排遵循監督者模式。當商店經理輸入問題時，協調智能體將其分解為子任務並分配給專門的子智能體。一個子智能體可能通過向量搜索檢索相關FDA段落，另一個通過SQL和Unity Catalog函數查詢結構化合規數據，第三個從外部MCP服務器拉取害蟲遙測數據。響應智能體將所有內容整合成一個帶有引用的答案。

體驗個性化得益於雙層記憶架構。短期記憶保留最近十個會話輪次，並由Claude Haiku每三輪總結一次。長期記憶維護用户檔案（角色、偏好、關注領域、位置和模式），並在交互中不斷更新。效果是：即使離職數週後返回，助理也能理解其管轄區域、未結工單和工作流程。

質量通過五個評判LLM持續評估。用户反饋和隱式信號驅動自動提示優化。MLflow追蹤每個執行路徑，儀表板實時監控延遲和錯誤率。團隊甚至挖掘查詢日誌以構建更好的默認問題。對於高吞吐量離線工作負載，Ecolab使用ai_query()在單個SQL調用中跨數千條記錄應用Claude。

影響立竿見影：之前從九個系統手動拉取數據編制單個客户地點的合規報告需要兩週，現在不到兩分鐘。FDA食品法典問題在幾秒鐘內返回帶有引用的答案。由於會話智能體支持約十二種語言，準確率達到約98%，一線員工可以使用自己最熟悉的語言交互。

未來，Ecolab計劃添加基於MCP的自動化操作，將系統的角色從智能層轉變為全面的運營智能體。